Zugeordneter bipartiter Graph
|
|
- Frauke Schenck
- vor 6 Jahren
- Abrufe
Transkript
1 Zugeordneter bipartiter Graph Für ein Transportproblem sei A = {A 1,...,A m } die Menge der Fabriken und B = {B 1,...,B n } sei die Menge der Warenhäuser. Wir ordnen nun einem Transportproblem einen bipartiten Graph G = (V, E) zu mit: V = A+B und E = {{v,w} v A,w B}. Damit können wir auch jeder Variablen x ij die Kante {A i,b j } E zuordnen. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 35
2 Struktur zulässiger Basislösungen Basislösung von Beispiel 1.2: Basislösung von Beispiel 1.3: Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 36
3 Satz 1.3. Gegeben sei eine zulässige Basislösung für ein Transportproblem. Dann bilden die Kanten der Basisvariablen im zugeordneten bipartiten Graphen einen Baum. Beweis: Angenommen, eine Teilmenge der Basisvariablen bildet im zugeordneten bipartiten Graphen einen Kreis der Länge 2k. O.B.d.A. sei dies der Kreis (A 1,B 1,A 2,B 2,A 3,...,A k,b k,a 1 ) mit den Basisvariablen x 11,x 21,x 22,x 32,...,x kk,x 1k. Wir bilden nun eine Linearkombination der Spaltenvektoren dieser Basisvariablen von der Matrix A wie folgt: Für eine Kante (A i,b i ) erhält der Spaltenvektor a (i,i) den Koeffizienten 1, füreinekante(b i,a i+1 )unddiekante(b k,a 1 )erhältderspaltenvektor a (i+1,i) bzw. a (1,k) den Koeffizienten 1. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 37
4 Dann bildet diese Linearkombination den Vektor 0, die Spaltenvektoren sind also linear abhängig. Widerspruch zu Basislösung! Tafel. Also müssen die Kanten der Basisvariablen einen kreisfreien Untergraphen bilden. Da der bipartite Graph aber m+n Knoten und eine Basislösung n+m 1 Variablen (also Kanten) hat, müssen die Variablen der Kanten einen Baum bilden (vgl. Graphentheorie, Satz 1.8 (5)). Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 38
5 Transport-Solver analog zu Simplex Fragestellungen/Aufgaben: Bewertung der Nicht-Basisvariablen (NBV) x ij mit Schattenpreisen B ij Auswahl einer Nicht-Basisvariablen Auswahl einer Basisvariablen (BV), die zur Nicht-Basisvariablen wird Anpassung des Tableaus Satz 1.3 bildet die Basis, um diese Fragestellungen zu lösen. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 39
6 Schattenpreise im Transportproblem Es sei x ij eine NBV. Schattenpreis: Wie würden sich die Kosten ändern, wenn wir 1 ME von A i nach B j schicken würden? In der Basislösung gibt es gemäß Satz 1.3 genau einen Weg W von A i nach B j. Nehmen wir die Kante für x ij hinzu, entsteht genau ein Kreis. Transportieren wir 1 ME von A i nach B j über die Kante von x ij, müssen wir auf dem Weg W von A i nach B j die Transportmengen wie folgt anpassen: Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 40
7 von A k zu B l : 1 ME weniger von B l zu A k : 1 ME mehr Damit können wir die Schattenpreise bestimmen: B ij = c ij + c kl c kl (B l,a k ) W (A k,b l ) W Für B ij < 0 lohnt es sich, die Variable x ij in die Basis aufzunehmen. Analog zum Simplexalgorithmus können wir die NBV mit kleinstem B ij als neue BV wählen. Gilt B ij 0 für alle NBV, dann ist die Lösung optimal. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 41
8 Beispiel 1.4. Mengenänderung für x 21 in Basislösung von Beispiel 1.2: Schattenpreis B 21 für Variable x 21 : B 21 = = 9 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 42
9 Auswahl von x 21 als neue BV entspricht Pivotspalte in primalem Simplex bleibt: Schattenpreis B 13 für Variable x 13 : Pivotzeile? Anpassung? B 13 = = 1 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 43
10 Anpassung der Basislösung Auf einer Kante von A k nach B l können wir die Transportmenge um nicht mehr als x kl reduzieren. Damit fehlt in Warenhaus B l eine Kapazität von x kl, die nun von Fabrik k über die Kante von x k l geliefert werden muss. usw. Für die ausgewählte NBV x ij setzen wir: x ij = = min{x kl (A k,b l ) W} Eine BV x i j, für die das Minimum angenommen wird, wird zur NBV. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 44
11 Für alle Kanten (A k,b l ) W: x kl = x kl Für alle Kanten (B l,a k ) W: x kl = x kl + Zielfunktionswert: z = z + B ij Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 45
12 Beispiel 1.5. Für die Basislösung von Beispiel 1.2 und die neue BV x 21 ergibt sich: Die neue Basislösung: x 21 = = min{x 22,x 11 } = min{40,30} = 30 x 22 = = 0 x 12 = = 40 x 11 = = 10 z = = 570 x 22 wird also NBV. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 46
13 Stepping-Stone-Methode Algorithmus Bestimme mit einem Eröffnungsverfahren (z.b. der Nordwesteckenregel) eine zulässige Basislösung x und den zugehörigen Zielfunktionswert z. 2. Suche für alle NBV x ij im zugeordneten bipartiten Graphen den Weg W ij von A i nach B j und bestimme damit die Schattenpreise B ij := c ij + (B l,a k ) W ij c kl (A k,b l ) W ij c kl. 3. Gilt B ij 0 für alle NBV x ij, dann ist die aktuelle Basislösung optimal. STOP! Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 47
14 Ansonsten bestimme i,j so, dass B ij = min{b kl x kl ist NBV}. 4. W := Weg von A i nach B j in aktueller Basislösung x ij := := min{x kl (A k,b l ) W} x i,j ist eine BV, für die das Minimum angenommen wird. 5. for all (A k,b l ) W do x kl := x kl end for all (B l,a k ) W do x kl := x kl + end z := z + B ij 6. x ij wird BV. x i,j wird NBV. Gehe zu Schritt 2. Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 48
15 Beispiel Bemerkungen: Nach dem Eröffnungsverfahren setzen wir im Tableau wieder die Originalwerte für a i und b j ein. Dies dient nur der besseren Übersicht, denn die Werte werden im weiteren Verlauf nicht mehr benötigt. Beispiel 1.6. Gegeben seien Kosten, Angebot und Nachfrage wie in Beispiel 1.1. Die Nordwesteckenregel und Beispiel 1.4 liefern: Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 49
16 B 1 B 2 B 3 A A Also i = 2,j = 1 mit B 21 = 9. W ist (A 2,B 2,A 1,B 1 ). x 21 = = min{x 22,x 11 } = 30 i = 2,j = 2 x 22 = 0 x 11 = Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 50
17 x 12 = 40 z = = 570 NBV sind jetzt: {x 13,x 22 } Weg von A 1 nach B 3 : (A 1,B 1,A 2,B 2 ) B 13 = = 10 Weg von A 2 nach B 2 : (A 2,B 1,A 1,B 2 ) B 22 = = 9 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 51
18 B 1 B 2 B 3 A A Also i = 1,j = 3 mit B 13 = 10. W ist (A 1,B 1,A 2,B 3 ). x 13 = = min{x 11,x 23 } = 10 i = 1,j = 1 x 11 = 0 x 23 = Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 52
19 x 21 = 40 z = = 470 NBV sind jetzt: {x 11,x 22 } Weg von A 1 nach B 1 : (A 1,B 3,A 2,B 1 ) B 11 = = 10 Weg von A 2 nach B 2 : (A 2,B 3,A 1,B 2 ) B 22 = = 1 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 53
20 B 1 B 2 B 3 A A Also i = 2,j = 2 mit B 22 = 1. W ist (A 2,B 3,A 1,B 2 ). x 22 = = min{x 23,x 12 } = 30 i = 2,j = 3 x 23 = 0 x 12 = 10 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 54
21 x 13 = 40 z = = 440 NBV sind jetzt: {x 11,x 23 } Weg von A 1 nach B 1 : (A 1,B 2,A 2,B 1 ) B 11 = = 9 Weg von A 2 nach B 3 : (A 2,B 2,A 1,B 3 ) B 23 = = 1 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 55
22 B 1 B 2 B 3 A A Dies ist die optimale Lösung! Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 56
23 Vergleich zum Simplexalgorithmus Beispiel 1.7. Wir stellen für die Basislösung von Beispiel 1.2 das Simplextableau auf. Hierzu drücken wir die BVs x 11,x 12,x 22,x 23 durch die NBVs x 13,x 21 aus. x 11 +x 21 = 40 x 11 = 40 x 21 x 11 +x 12 +x 13 = 50 x 12 = 50 x 11 x 13 x 12 = 50 (40 x 21 ) x 13 x 12 = 10+x 21 x 13 x 13 +x 23 = 40 x 23 = 40 x 13 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 57
24 x 21 +x 22 +x 23 = 70 x 22 = 70 x 23 x 21 x 22 = 70 (40 x 13 ) x 21 x 22 = 30+x 13 x 21 Wir setzen die Gleichungen in die Zielfunktion ein: 9x 11 +x 12 +3x 13 +4x 21 +5x = 9(40 x 21 )+(10+x 21 x 13 )+3x 13 +4x 21 +5(30+x 13 x 21 )+8(40 x 13 ) = 360 9x x 21 x 13 +3x 13 +4x x 13 5x x 13 = 840 x 13 9x 21 Also lautet die Zielfunktion z = min 840 x 13 9x 21 bzw. z = max 840+x 13 +9x 21 Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 58
25 Damit können wir das Startableau aufstellen: x 11 x 12 x 13 x 21 x 22 x 23 x x x x z Man beachte: Die Schattenpreise in der Zielfunktionszeile sind identisch mit den Schattenpreisen aus den Beispielen 1.4 und 1.6. Im weiteren Verlauf: Basislösungen, Zielfunktionswerte und Schattenpreise ebenfalls identisch zu Beispiel 1.6. Übungsaufgabe Operations Research II Hochschule Bonn-Rhein-Sieg, WS 2013/14 59
Der Simplex-Algorithmus
5 Lineare Programmierung Simplex-Algorithmus Der Simplex-Algorithmus Standardverfahren zur Lösung von LPs, von G B Dantzig entwickelt Grundidee: Versuche ausgehend von einer Startecke mit einer Ausgangsbasis
MehrSimplex-Verfahren. Kapitel 4. Simplex-Verfahren. Peter Becker (H-BRS) Operations Research I Sommersemester / 298
Kapitel 4 Simplex-Verfahren Peter Becker (H-BRS) Operations Research I Sommersemester 24 86 / 298 Inhalt Inhalt 4 Simplex-Verfahren Dualer Simplexalgorithmus Vermeidung von Zyklen Peter Becker (H-BRS)
MehrLösung allgemeiner linearer Programme
Lösung allgemeiner linearer Programme Bisher: Für Anwendung des Simplexalgorithmus muss eine primal oder eine dual zulässige Basislösung vorliegen. Für allgemeine lineare Programme können wir dies direkt
Mehr3. Schnittebenenverfahren
3. Schnittebenenverfahren Themen 3. Schnittebenenverfahren Ganzzahlige lineare Programmierung Schnittebenenverfahren Konstruktion von Schnittebenen Auswahl von Schnittrestriktionen Operations Research
MehrUnimodularität. Kapitel 1. Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206
Kapitel 1 Unimodularität Peter Becker (H-BRS) Operations Research II Wintersemester 2015/16 11 / 206 Inhalt 1 Unimodularität Total unimodulare Matrizen Inzidenzmatrix Optimierungsprobleme auf Graphen Peter
Mehr4.3.3 Simplexiteration
7. Januar 2013 53 4.3.3 Simplexiteration Eine Simplexiteration entspricht dem Übergang von einer Ecke des zulässigen Bereiches in eine benachbarte Ecke Dabei wird genau eine Nichtbasisvariable (die zugehörige
MehrSchranken für zulässige Lösungen
Schranken für zulässige Lösungen Satz 5.9 Gegeben seien primales und duales LP gemäß der asymmetrischen Form der Dualität. Wenn x eine zulässige Lösung des primalen Programms und u eine zulässige Lösung
MehrOperations Research. Die Simplexmethode. LP-Dualität. Die Simplexmethode. Rainer Schrader. 18. Juni Zur Erinnerung: Gliederung
Operations Research Rainer Schrader Die Simplexmethode Zentrum für Angewandte Informatik Köln 18 Juni 00 1 / 1 / 1 Gliederung LP-Dualität ein lineares Produktionsmodell der Simplexalgorithmus Phase I Endlichkeit
MehrLineare Optimierungsmodelle
Lineare Optimierungsmodelle Simplex-Methode Vortragender: Michael Schneider Agenda Motivation Operations Research Aufbau linearer Optimierungsmodelle Simplex-Methode Ausblick 2 Problemstellung Futtermischung
MehrAufgabe 5.3 Duale Simplexverfahren
Aufgabe 5.3 Knut Krause Thomas Siwczyk Stefan Tittel Technische Universität Dortmund Fakultät für Informatik Algorithmen und Datenstrukturen 15. Januar 2009 Gliederung 1 Aufgabenstellung und Motivation
MehrVORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt)
VORLESUNG 14 Lineare Optimierung, Dualität (Viele Folien nach Ulf Lorenz, jetzt TU Darmstadt) 96 H. Meyerhenke: Kombinatorische Optimierung Dualität bei linearen Programmen Def.: Es sei (L): c T x max
Mehr1 Der Simplex Algorithmus I
1 Nicoletta Andri 1 Der Simplex Algorithmus I 1.1 Einführungsbeispiel In einer Papiermühle wird aus Altpapier und anderen Vorstoffen feines und grobes Papier hergestellt. Der Erlös pro Tonne feines Papier
Mehr10.2 Dualitätstheorie Operations Research. In der Standardform eines Maximierungsproblem: b e ) mit ( w) + a ej ) x j + x g = ( b g + g G
48 0 Operations Research In der Standardform eines Maximierungsproblem: Max ( w) mit ( w) + u. d. N. z + x l + n ( a gj + j= g G e E n d j x j = z 0 j= n a l j x j = b l für alle l L j= x g n + a gj x
MehrOperations Research. Linearoptimierung. Bearbeitet von Peter Stingl
Operations Research Linearoptimierung earbeitet von Peter Stingl Auflage 22 uch 76 S Hardcover ISN 978 446 228 8 Format ( x L): 4,5 x 2 cm Gewicht: 26 g Wirtschaft > etriebswirtschaft: Theorie & Allgemeines
Mehr4. Dualität Dualität 4.1 Dualität von LPs und der Dualitätssatz. Die duale Form eines LP in allgemeiner Form. Herleitung der dualen Form
2... 22 4.2 Die Bedingungen vom komplementären Schlupf... 23 4.3 Das Kürzeste-Wege-Problem und zugehörige duale Problem... 24 4.4 Das Farkas Lemma... 25 4.5 Duale Information im Tableau... 26 4.6 Der duale
Mehr1. Entscheidung bei Unsicherheit
Prof. Dr. Ma C. Wewel Lösungen zu den Übungsaufgaben Management Science Seite. Entscheidung bei Unsicherheit A. B. C. 6 km 6 km 6 km D. a) Nutzenmatri (Kundenanteile von K in %) u(k A,M A ), 6 +, 6 +,
Mehr1. Das klassische Transportproblem
schreier@math.tu-freiberg.de (03731) 39 2261 1. Das klassische Transportproblem 1.1. Formulierung der Aufgabe Problemstellung Die einfachste Transportaufgabe, nach Hitchcock benannt, läßt sich wie folgt
MehrTeil I. Lineare Optimierung
Teil I Lineare Optimierung 5 Kapitel 1 Grundlagen Definition 1.1 Lineares Optimierungsproblem, lineares Programm. Eine Aufgabenstellung wird lineares Optimierungsproblem oder lineares Programm genannt,
MehrLineares Optimieren. W. Kippels 12. April Inhaltsverzeichnis. 1 Einleitung 2. 2 Die Beispielaufgabe 2. 3 Einführung von Schlupfvariablen 2
Lineares Optimieren W. Kippels 1. April 015 Inhaltsverzeichnis 1 Einleitung Die Beispielaufgabe Einführung von Schlupfvariablen 4 Die Simplex-Methode 5 Das Basis-Austauschverfahren 4 6 Fortsetzung der
MehrLineare Programmierung
asis Definition 3.38 Gegeben sei ein LP in der Normalform mit m als Rang der Matrix 2 R m n. x 2 R n mit x = b heißt asislösung gdw. n m Komponenten x i gleich Null und die zu den restlichen Variablen
MehrAlgorithmik WS 07/ Vorlesung, Andreas Jakoby Universität zu Lübeck
Lemma 15 KLP 1 ist genau dann lösbar, wenn das dazugehörige LP KLP 2 eine Lösung mit dem Wert Z = 0 besitzt. Ist Z = 0 für x 0, x 0, dann ist x eine zulässige Lösung von KLP 1. Beweis von Lemma 15: Nach
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
MehrVier-Farben-Vermutung (1)
Vier-Farben-Vermutung (1) Landkarten möchte man so färben, dass keine benachbarten Länder die gleiche Farbe erhalten. Wie viele Farben braucht man zur Färbung einer Landkarte? Vier-Farben-Vermutung: Jede
MehrKapitel 5. Peter Becker (H-BRS) Operations Research I Sommersemester / 298
Kapitel 5 Dualität Peter Becker (H-BRS) Operations Research I Sommersemester 2014 241 / 298 Inhalt 5 Dualität Dualitätssätze Zweiphasen-Simplexalgorithmus Peter Becker (H-BRS) Operations Research I Sommersemester
MehrWiederholung. Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b
Wiederholung Wir gehen von LP s in Standardform aus, wobei A R m n vollen Zeilenrang hat: minc T x A x = b x 0. x R n heißt Basislösung, wenn Ax = b und rang(a J ) = J, wobei J = {j x (j) 0}; Basislösung
MehrLogistik: Transport. Grundlagen, lineare Transportund Umladeprobleme. Von Dr. Wolfgang Domschke. o. Professor für Betriebswirtschaftslehre
Logistik: Transport Grundlagen, lineare Transportund Umladeprobleme Von Dr. Wolfgang Domschke o. Professor für Betriebswirtschaftslehre Zweite, ergänzte Auflage TECHNISCH!: MOC cchule DARiviSTAOT j P e
MehrOPERATIONS-RESEARCH (OR)
OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:
MehrLineare Differenzengleichungen
Lineare Differenzengleichungen Die Fibonacci-Zahlen F n sind definiert durch F 0 = 0 F 1 = 1 F n = F n 1 +F n 2 für n >= 2 Die letzte Zeile ist ein Beispiel für eine homogene lineare Differenzengleichung
MehrAufgabe 1: Berechnen Sie für den in Abbildung 1 gegebenen Graphen den. Abbildung 1: Graph für Flussproblem in Übungsaufgabe 1
Lösungen zu den Übungsaufgaben im Kapitel 4 des Lehrbuches Operations Research Deterministische Modelle und Methoden von Stephan Dempe und Heiner Schreier Aufgabe 1: Berechnen Sie für den in Abbildung
MehrÜbung QM 1 EINFÜHRUNG 1. 1 Einführung. ohne Übungsaufgaben
Übung QM 1 EINFÜHRUNG 1 1 Einführung ohne Übungsaufgaben Übung QM 2 LINEARE OPTIMIERUNG 2 2 Lineare Optimierung Aufgabe 2.1 LP-Modellierung und Begriffe Wild West GmbH produziert Cowboyhüte. Momentan werden
Mehr2. Optimierungsprobleme 6
6 2. Beispiele... 7... 8 2.3 Konvexe Mengen und Funktionen... 9 2.4 Konvexe Optimierungsprobleme... 0 2. Beispiele 7- Ein (NP-)Optimierungsproblem P 0 ist wie folgt definiert Jede Instanz I P 0 hat einen
Mehr6. Softwarewerkzeuge für die Lineare Programmierung
6. Softwarewerkzeuge für die Lineare Programmierung Inhalt 6. Softwarewerkzeuge für die Lineare Programmierung GNU Linear Programming Kit Operations Research I Hochschule Bonn-Rhein-Sieg, SS 2013 314 GNU
MehrEulerweg, Eulerkreis. Das Königsberger Brückenproblem. Definition 3.1. Ein Weg, der jede Kante von G genau einmal
3. Kreis- und Wegeprobleme Kapitelübersicht 3. Kreis- und Wegeprobleme Eulerweg, Eulerkreis Charakterisierung von eulerschen Graphen Bestimmung von eulerschen Wegen und Kreisen Hamiltonsche Graphen Definition
MehrDas Linear Ordering Problem Exakte Lösungsverfahren. für NP-schwierige. VO Algorithm Engineering
Das Linear Ordering Problem Exakte Lösungsverfahren VO Algorithm Engineering für NP-schwierige Professor Dr. Petra Mutzel kombinatorische Lehrstuhl für Algorithm Engineering, LS11 Optimierungsprobleme
MehrOptimierungsverfahren in der Transportlogistik
Optimierungsverfahren in der Transportlogistik Jakob Puchinger 1 1 Dynamic Transportation Systems, arsenal research Jakob Puchinger (arsenal research) Optimierungsverfahren in der Transportlogistik 1 /
MehrVollständiger Graph. Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete).
Vollständiger Graph Definition 1.5. Sei G =(V,E) ein Graph. Gilt {v, w} E für alle v, w V,v w, dann heißt G vollständig (complete). Mit K n wird der vollständige Graph mit n Knoten bezeichnet. Bemerkung
MehrStatistik und Graphentheorie
Statistik und Graphentheorie Sommersemester 2012 3. Juli 2012 Teil Graphentheorie Name: Matrikelnummer: 1 (12) 2 (12) 3 (12) 4 (12) 5 (12) (60) Aufgabe 1 (12 Punkte) Gegeben sei das folgende Netzwerk:
MehrDurchschnitt von Matroiden
Durchschnitt von Matroiden Satz von Edmonds Dany Sattler 18. Januar 2007/ Seminar zur ganzzahligen Optimierung / Wallenfels Definition: Unabhängigkeitssystem Definition: Ein Mengensystem (S, J ) nennt
MehrNetzwerk-Simplex. MinCostFlow als Lineares Programm. 1 of 12 Netzwerksimplex
Netzwerk-Simplex MinCostFlow als Lineares Programm of 2 Netzwerksimplex MinCostFlow geg: gerichteter Graph G, Kapazitäten u R R 0 { }, Bedarfe b V R, Pfeilkosten c R R ges: zulässiger b-fluss f mit minimalen
MehrLineare Programmierung Teil I
Seminar über Algorithmen Prof. Dr. Helmut Alt Lineare Programmierung Teil I Lena Schlipf, Benjamin Jankovic Lena Schlipf, Benjamin Jankovic Seminar über Algorithmen SS05 1 Struktur des Vortrags 1. Was
MehrMathematische Optimierung
Mathematische Optimierung Geschrieben von Jan Pöschko auf Grundlage der Vorlesung von Bettina Klinz TU Graz Sommersemester 2007 Stand: 27. Oktober 2009 Inhaltsverzeichnis I Lineare Optimierung 7 1 Grundlegende
MehrOptimierung und Simulation ökonomischer Problemlagen privater Haushalte 2. Vorlesung
Optimierung und Simulation ökonomischer Problemlagen privater Haushalte 2. Vorlesung Rainer Hufnagel / Laura Wahrig 2006 Diese Woche LO - Rechnerische Lösung - Simplex- Algorithmus LO - Auswertung des
MehrEinführung in die Lineare Programmierung
Einführung in die Lineare Programmierung Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 RWTH Aachen 28. Mai 2008 Elementares Beispiel Die kanonische Form Die algebraische Gleichungsform Gegeben seien
MehrPrüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten)
HTW Dresden 11. Februar 2014 FB Informatik/Mathematik Prof. Dr. J. Resch Prüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten) Name, Vorname: Matr.-nr.: Anzahl der abge-
MehrOPERATIONS RESEARCH I LINEARE PLANUNGS RECHNUNO UND NETZPLANTECHNIK
BODO RUNZHEIMER OPERATIONS RESEARCH I LINEARE PLANUNGS RECHNUNO UND NETZPLANTECHNIK SIMPLEX-METHODE -TRANSPORT-METHODE STRUKTURANALYSE ZEITPLANUNG ZEIT-KOSTEN PLANUNG- ANWENDUNGSMÖGLICHKEITEN 5., VERBESSERTE
MehrKapitel 2: Lineare Optimierung
Kapitel 2: Lineare Optimierung Aufgabe 2.1: Lösen Sie zeichnerisch die folgenden LP-Modelle: a) Max. F(x,y) = 4x + 3y b) Max. F(x,y) = x + y c) Max. F(x,y) = x y x + 3y 9 5x + y 1 2x y x + 2y 2 x + 2y
Mehr4. Kreis- und Wegeprobleme Abstände in Graphen
4. Kreis- und Wegeprobleme Abstände in Graphen Abstände in Graphen Definition 4.4. Es sei G = (V,E) ein Graph. Der Abstand d(v,w) zweier Knoten v,w V ist die minimale Länge eines Weges von v nach w. Falls
MehrSimplex-Umformung für Dummies
Simplex-Umformung für Dummies Enthält die Zielfunktion einen negativen Koeffizienten? NEIN Optimale Lösung bereits gefunden JA Finde die Optimale Lösung mit dem Simplex-Verfahren! Wähle die Spalte mit
MehrInhaltsverzeichnis Transportoptimierung
Inhaltsverzeichnis 2 Transportoptimierung 1 2.1 Das klassische Transportproblem....................... 2 2.1.1 Modell.................................. 2 2.1.2 Qualitative Grundlagen.........................
MehrKAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN
KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten
Mehr2 Die Dimension eines Vektorraums
2 Die Dimension eines Vektorraums Sei V ein K Vektorraum und v 1,..., v r V. Definition: v V heißt Linearkombination der Vektoren v 1,..., v r falls es Elemente λ 1,..., λ r K gibt, so dass v = λ 1 v 1
MehrEinführung. Kapitel 1. Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298
Kapitel 1 Einführung Peter Becker (H-BRS) Operations Research I Sommersemester 2015 14 / 298 Inhalt Inhalt 1 Einführung Was ist Operations Research? Planungsprozess im OR Peter Becker (H-BRS) Operations
Mehr5. Musterlösung. Problem 1: Vitale Kanten * ω(f) > ω(f ). (a) Untersuchen Sie, ob es in jedem Netzwerk vitale Kanten gibt.
Universität Karlsruhe Algorithmentechnik Fakultät für Informatik WS 05/06 ITI Wagner 5. Musterlösung Problem : Vitale Kanten * In einem Netzwerk (D = (V, E); s, t; c) mit Maximalfluß f heißen Kanten e
MehrLeibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber
Leibniz Universität Hannover Wirtschaftswissenschaftliche Fakultät Institut für Produktionswirtschaft Prof. Dr. Stefan Helber Sitzplatznr.: Wiederholungsklausur zur Vorlesung Operations Research im Wintersemester
MehrZielfunktion lineare Funktion Nebenbedingungen lineare Funktionen
be/ji/3(2) 2-1 2 im Kontext der OR-Optimierungsmodelle Zielfunktion lineare Funktion Nebenbedingungen lineare Funktionen Standardform: - Planungsziel min bzw. min Z(x) = c 1 x 1 + c 2 x 2 + + c n x n Z(x)
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
MehrAlgorithmische Mathematik
Algorithmische Mathematik Wintersemester 2013 Prof. Dr. Marc Alexander Schweitzer und Dr. Einar Smith Patrick Diehl und Daniel Wissel Übungsblatt 6. Abgabe am 02.12.2013. Aufgabe 1. (Netzwerke und Definitionen)
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrPrüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten)
HTW Dresden 9. Februar 2012 FB Informatik/Mathematik Prof. Dr. J. Resch Prüfungsklausur Wirtschaftsmathematik I Studiengang Wirtschaftsinformatik, (180 Minuten) Name, Vorname: Matr.-nr.: Anzahl der abge-
MehrVorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7
Vorbereitungskurs Mathematik zum Sommersemester 2011 Tag 7 Timo Stöcker Erstsemestereinführung Informatik TU Dortmund 22. März 2011 Heute Themen Lineare Gleichungssysteme Matrizen Timo Stöcker https://fsinfo.cs.tu-dortmund.de/studis/ese/vorkurse/mathe
MehrAusgewählte Methoden der ganzzahligen Linearen Optimierung
Ausgewählte Methoden der ganzzahligen Linearen Optimierung Diplomarbeit zur Erlangung des akademischen Grades Magistra rerum naturalium eingereicht von Arntraud Bacher bei AUnivProf Dr Kurt Girstmair an
Mehr6. Flüsse in Netzwerken Berechnung maximaler Flüsse. dann berechnet der Markierungsalgorithmus für beliebige Kapazitätsfunktionen
6. Flüsse in Netzwerken Berechnung maximaler Flüsse Satz 6.4. Ersetzt man in Algorithmus 6.1 den Schritt 2 durch 2a. Wähle den Knoten, der zuerst in eingefügt wurde. Setze. dann berechnet der arkierungsalgorithmus
Mehr6. Flüsse und Zuordnungen
6. Flüsse und Zuordnungen In diesem Kapitel werden Bewertungen von Kanten als maximale Kapazitäten interpretiert, die über solch eine Kante pro Zeiteinheit transportiert werden können. Wir können uns einen
MehrKlausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler
Wintersemester 2007/08 27.2.2008 Dr. Sascha Kurz Klausur zur Vorlesung Mathematische Grundlagen für Wirtschaftswissenschaftler Bitte lesbar ausfüllen, Zutreffendes ankreuzen Herr Frau Name, Vorname: Anschrift:
MehrLösungsskizzen zu den Klausuraufgaben zum Kurs 1142 Algorithmische Mathematik
Lösungsskizzen zu den Klausuraufgaben zum Kurs Algorithmische Mathematik KSL09 Aufgabe. Zeigen oder widerlegen Sie: Es existiert ein Graph mit Valenzsequenz (8,,,,,,,,,). Geben Sie im Falle der Existenz
MehrMethoden der linearen Optimierung
Methoden der linearen Optimierung Mike Hüftle 31. Juli 2006 Inhaltsverzeichnis 1 Einleitung 2 1.1.................................... 2 2 Lineare Optimierung 3 2.1 Lineares Modell............................
Mehr3. Grundlagen der Linearen Programmierung
3. Grundlagen der linearen Programmierung Inhalt 3. Grundlagen der Linearen Programmierung Lineares Programm Grafische Lösung linearer Programme Normalform Geometrie linearer Programme Basislösungen Operations
Mehr10. Lineare Optimierung
10. Lineare Optimierung Im Kontext der Optimierungsmodelle: Zielfunktion lineare Funktion Nebenbedingungen lineare Funktionen Lösungsraum Unterraum des n Problem der linearen Optimierung Minimiere unter
Mehrf h c 7 a 1 b 1 g 2 2 d
) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener
Mehrλ i x i λ i 0, x i X, nur endlich viele λ i 0}.
jobname LinOpt Sommer Aufgabe a) Sei X R n. Dann ist b) Cone X = { x i X λ i x i λ i, x i X, nur endlich viele λ i }. x Cone S = Lin S x Lin S = Cone S. Also gibt es nicht-negative Koeffizienten µ i von
MehrLineare Optimierung. Vorlesung von Prof. Christiane Tammer Author : Georg Kuschk (Quelle : www.rikuti.de)
Lineare Optimierung Vorlesung von Prof Christiane Tammer Author : Georg Kuschk (Quelle : wwwrikutide) 11 August 2006 Inhaltsverzeichnis 1 Einleitung, Beispiele 2 2 Das allgemeine lineare Optimierungsproblem
MehrLineare Optimierung. Master 1. Semester
Prof. Dr.-Ing. Fritz Nikolai Rudolph Fachhochschule Trier Fachbereich Informatik Master 1. Semester Inhaltsverzeichnis 1 Einleitung... 2 1.1 Lineare Gleichungssysteme... 2 1.2 sprobleme... 3 2 Standardform...
MehrLineares Programmieren Algorithmentechnik WS 09/10 Dorothea Wagner 7. Januar 2010
Lineares Programmieren Algorithmentechnik WS 09/10 Dorothea Wagner 7. Januar 2010 FAKULTÄT FÜR I NFORMATIK, I NSTITUT FÜR T HEORETISCHE I NFORMATIK KIT Universität des Landes Baden-Württemberg und nationales
MehrMinimal spannender Baum
Minimal spannender Baum 16 1 2 21 5 11 19 6 6 3 14 33 10 5 4 18 Die Kreise zeigen die vorgesehenen Standorte neu zu errichtender Filialen einer Bank. Entlang der bestehenden Straßen sollen Telefonleitungen
MehrSummen und direkte Summen
Summen und direkte Summen Sei V ein K-Vektorraum. Wie früher erwähnt, ist für beliebige Teilmengen M, N V die Teilmenge M +N V wie folgt definiert M +N = {v+w : v M, w N}. Man sieht leicht, dass i.a. M
MehrFachakademie für Wirtschaft der FHM A2: Lineare Optimierung und das Simplexverfahren
A2.1 Lineare Optimierung mit dem Simplexverfahren Wenn ein Unternehmen ermitteln möchte, wie viele Mengeneinheiten von verschiedenen Produkten zu produzieren sind, damit bei gegebenen Verkaufspreisen der
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eine Familie von Gleichungen der Form a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x 2 +... + a 2n x n = b 2............ a m1 x 1 + a m2 x 2 +... + a mn x n = b m
MehrOptimierung. Nürnberg, Oktober 2015
1 Optimierung Nürnberg, Oktober 2015 Prof. Dr. Yvonne Stry Technische Hochschule Nürnberg Fakultät Angewandte Mathematik, Physik und Allgemeinwissenschaften Keßlerplatz 12 90461 Nürnberg Germany 1 Beispiel
MehrMaximiere Gesamtgewinn aus verschiedenen Produkten unter Restriktionen an Produktmenge (Lagermenge, Transportmenge)
Beispiel: Produktionsplanung Maximiere Gesamtgewinn aus verschiedenen Produkten unter Restriktionen an Produktmenge (Lagermenge, Transportmenge) Produktionskapazität Ressourcenmenge bei als fest angenommenem
MehrDas Multi Traveling Salesman Problem
Das Multi Traveling Salesman Problem Harald Voit Seminar Ganzzahlige Optimierung 19. bis 21. Januar 2007 Wallenfels Das Multi Traveling Salesman Problem p.1/26 Übersicht Vom TSP zum ATSP Das Multi Traveling
Mehr(Technisch: Setze alle Skalarprodukte der allgemeinen Lösung mit den Basisvektoren des Kerns gleich Null eindeutige leastsqares Lösung)
Lineare Optimierung Unterbestimmte LGS und Optimierung Bei lösbaren unterbestimmten linearen Gleichungssystemen haben wir die Qual der Wahl in Abhängigkeit von den freien Parametern (Anzahl = Anzahl Unbekannte
MehrDie Verbindung von Linearer Programmierung und Graphentheorie
Die Verbindung von Linearer Programmierung und Graphentheorie Definition 5.9. Ein kombinatorisches Optimierungsproblem entspricht einem LP, bei dem statt der Vorzeichenbedingungen x i 0 Bedingungen der
MehrÜbungsaufgaben. Grundkurs Höhere Mathematik für Wirtschaftswissenschaftler. Teil 1: Lineare Algebra und Optimierung.
Übungsaufgaben Grundkurs Höhere Mathematik für Wirtschaftswissenschaftler Teil : Lineare Algebra und Optimierung Wintersemester Matrizenrechnung Aufgabe ( 3 0 Gegeben sind die Matrizen A = 2 5 2 4 D =
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 3: Minimal aufspannende Bäume und Matroide Dipl-Math. Wolfgang Kinzner 3.4.2012 Kapitel 3: Minimal aufspannende Bäume und Matroide Minimal aufspannende
MehrVektorräume und Rang einer Matrix
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektorräume und Rang einer Matrix Dr. Thomas Zehrt Inhalt:. Lineare Unabhängigkeit 2. Vektorräume und Basen 3. Basen von R n 4. Der Rang und Rangbestimmung
Mehr2. Repräsentationen von Graphen in Computern
2. Repräsentationen von Graphen in Computern Kapitelinhalt 2. Repräsentationen von Graphen in Computern Matrizen- und Listendarstellung von Graphen Berechnung der Anzahl der verschiedenen Kantenzüge zwischen
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
Mehrmax 16x x 2 (1) 4x 1 + 2x (2) 10x (3) 2x 1 + 4x (4) 2x (5) x 1, x 2 0 (6)
Aufgabe 1 (33 Punkte, ca. 20 Minuten) Ein Konditor stellt zu Ostern besonders exklusive Osterhasen (x 1 ) und Ostereier (x 2 ) her. Diese bestehen aus einer Schokoladengrundmasse und werden mit weiteren
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Lineare Optimierung Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 1. Juli 2012 Outline Lineares Programm (LP) in Standardform
MehrSatz 7. A sei eine Teilmenge des nichttrivialen Vektorraums (V,+, ). Dann sind die folgende Aussagen äquivalent.
Definition der Basis Def. Es sei (V,+, ) ein nichttrivialer Vektorraum. Die Menge A V heißt eine Basis-Menge, falls sie (a) linear unabhängig ist und (b) span(a) = V. Satz 7. A sei eine Teilmenge des nichttrivialen
Mehr0. Einleitung. 0.1. Der Begriff Operations Research / Decision Support
0. Einleitung 0.1. Der Begriff Operations Research / Decision Support Es werden Methoden zur Entscheidungsunterstützung (Decision Support, DS) vorgestellt. Durch Problemanalyse, daraus formulierte mathematische
MehrKlausur Management Science. Donnerstag, 19. Februar 2015
run Lehrstuhl fiir Operations Management Prof. Dr. Rainer Kolisch ArcisstraBe 21, 80333 Miinchen Klausur Management Science Donnerstag, 19. Februar 2015 Name: Vorname: Matrikelnummer: Studiengang: Fachsemester:
MehrLineare Abbildungen - I
Lineare Abbildungen - I Definition. Seien V und W K-Vektorräume (über demselben K). Eine Abbildung F : V W heißt K-linear, wenn L1) F (v + w) = F (v) + F (w) v, w V L2) F (λv) = λf (v) v V, λ K. Somit
MehrÜbungen zur Linearen Optimierung Sommersemester 2011. Übungsblatt 1
Universität Heidelberg Interdisziplinäres Zentrum für Wissenschaftliches Rechnen Graduiertenschule HGS MathComp Dr. Stefan Körkel Magdalena Gottfried Übungen zur Linearen Optimierung Sommersemester 2011
MehrKapitel 4: Minimal spannende Bäume Gliederung der Vorlesung
Kapitel : Minimal spannende Bäume Gliederung der Vorlesung. Fallstudie Bipartite Graphen 2. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Wege. Traveling
MehrOptimale Steuerung 1 Prozessoptimierung 1
Optimale Steuerung 1 Prozessoptimierung 1 Kapitel 2: Lineare Optimierung Prof. Dr.-Ing. Pu Li Fachgebiet Simulation und Optimale Prozesse (SOP) Lineare Algebra (Mathematische Grundlagen) 2 Beispiel: Produktionsplanung
MehrAufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph.
Aufgabe 4.2 Sei G = (V, E, l) ein ungerichteter, gewichteter und zusammenhängender Graph. a) Es seien W 1 = (V, E 1 ), W 2 = (V, E 2 ) Untergraphen von G, die beide Wälder sind. Weiter gelte E 1 > E 2.
MehrLösung von Optimierungsproblemen anhand von Simplex- Verfahren
Lineare Optimierung Lösung von Optimierungsproblemen anhand von Simplex- Verfahren Informatik-Seminar Studiengang: Informatik Autor: Zemp Michael Betreuer: Schwab Peter Auftraggeber: Schwab Peter Experten:
MehrOperations Research für Wirtschaftsinformatiker. Vorlesungsskript von Richard Mohr
Operations Research für Wirtschaftsinformatiker Vorlesungsskript von Richard Mohr Fachhochschule Esslingen, SS 2005 INHALTSVERZEICHNIS i Inhaltsverzeichnis Lineare Optimierung. Graphische Lösung des linearen
MehrVorlesungsmitschrift Operations Research I und II
Vorlesungsmitschrift Operations Research I und II Bemerkung: Dies ist eine Überarbeitung der beiden Skripte [1] und [2] zu den oben genannten Vorlesungen von Prof. Sebastian, ergänzt um Anmerkungen, die
Mehr